Xception: Глубокое обучение с глубинно-разделяемыми свертками

Мы предлагаем интерпретацию модулей Inception в сверточных нейронных сетях как промежуточного шага между обычной сверткой и операцией глубинно-разделяемой свертки (depthwise-свертка, за которой следует pointwise-свертка). В этом свете глубинно-разделяемая свертка может пониматься как модуль Inception с максимально большим числом «башен» (towers). Это наблюдение побудило нас предложить новую архитектуру глубокой сверточной нейронной сети, вдохновлённую Inception, в которой модули Inception заменены глубинно-разделяемыми свертками. Мы показываем, что эта архитектура, названная Xception, немного превосходит Inception V3 на наборе данных ImageNet (для которого была разработана Inception V3), и значительно превосходит Inception V3 на более крупном наборе для классификации изображений, содержащем 350 миллионов изображений и 17 000 классов. Поскольку архитектура Xception имеет то же число параметров, что и Inception V3, прирост в качестве объясняется не увеличенной ёмкостью модели, а более эффективным использованием параметров.